Magnetic resonance imaging in the diagnosis of white matter signal abnormalities
Notice bibliographique
Résumé
Background White matter abnormalities (WMAs) pose a diagnostic challenge when trying to establish etiologic diagnoses. During childhood and adult years, genetic disorders, metabolic disorders and acquired conditions are included in differential diagnoses. To assist clinicians and radiologists, a structured algorithm using cranial magnetic resonance imaging (MRI) has been recommended to aid in establishing working diagnoses that facilitate appropriate biochemical and genetic investigations. This retrospective pilot study investigated the validity and diagnostic utility of this algorithm when applied to white matter signal abnormalities (WMSAs) reported on imaging studies of patients seen in our clinics. Methods The MRI algorithm was applied to 31 patients selected from patients attending the neurometabolic/neurogenetic/metabolic/neurology clinics at a tertiary care hospital. These patients varied in age from 5 months to 79 years old, and were reported to have WMSAs on cranial MRI scans. Twenty-one patients had confirmed WMA diagnoses and 10 patients had non-specific WMA diagnoses (etiology unknown). Two radiologists, blinded to confirmed diagnoses, used clinical abstracts and the WMSAs present on patient MRI scans to classify possible WMA diagnoses utilizing the algorithm. Results The MRI algorithm displayed a sensitivity of 100%, a specificity of 30.0% and a positive predicted value of 74.1%. Cohen's kappa statistic for inter-radiologist agreement was 0.733, suggesting "good" agreement between radiologists. Conclusions Although a high diagnostic utility was not observed, results suggest that this MRI algorithm has promise as a clinical tool for clinicians and radiologists. We discuss the benefits and limitations of this approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».